arXiv cs.AI· Zae Myung Kim, Young-Jun Lee, Seungyeon Jwa, Dongyeop Kang·· 10 小时前AI 评分58
Meta$^n$:通过涌现深度实现 LLM 智能体的递归自我改进
Meta$^n$: Recursive Self-Improvement through Emergent Depth
AI 导读
论文提出 Meta$^n$,保持元操作 Ω 固定、对其自身产物反复递归,让每一层从更高视角推理,深度由收敛决定而非预先设定。在两个骨干模型上,Meta$^n$ 在全部八个基准族上优于此前的自我改进智能体,在 ARC-AGI-2 上是唯一得分高于零的方法。
正文 · AI 翻译
摘要:自我改进的 LLM 智能体会优化答案,而非产生这些答案的过程。引入元层级的系统将该层级固定,而进行自我编辑的系统必须保持自身部分编辑机制不变以维持稳定,从而将其实现的元深度限制在约两层。我们提出 Meta$^n$,它保持元操作固定,转而对其输入进行递归。该操作 $\Omega$ 被反复应用于其自身的产物,读取下方求解器堆栈的轨迹以及产生这些轨迹的代码,然后将下一层写为策略性预处理和可调用辅助函数库。由于 $\Omega$ 从不改变,它不会使系统失稳;又因为其输入严格增长,每一层都比上一层从更高的视角进行推理。深度由收敛决定而非预先固定,并且一个进化档案在层链上进行搜索。在两个骨干模型上,Meta$^n$ 在全部八个基准系列上均优于先前的自我改进智能体。最突出的案例是 ARC-AGI-2,该基准旨在抵抗技能记忆,而 Meta$^n$ 是唯一得分高于零的方法。消融实验表明,递归带来的大部分增益来自每一层传递给下一层的条件信息,并且尽管没有任何提示规定,不同层角色会随深度而出现。代码见 此 https URL
| 评论: | 被 NeurIPS 2026 接收 |
| 主题: | 人工智能(cs.AI);计算与语言(cs.CL);系统与控制(eess.SY) |
| 引用为: | arXiv:2608.24735 [cs.AI] |
| (或 arXiv:2608.24735v2 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2608.24735 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Zae Myung Kim [查看邮箱]
[v1]
2026年8月25日 星期二 15:44:25 UTC(495 KB)
[v2]
2026年11月18日 星期三 03:05:24 UTC(504 KB)
来源:arXiv cs.AI · arxiv.org